| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-18页 |
| ·课题背景及研究目的和意义 | 第10页 |
| ·电量预测国内外研究现状 | 第10-16页 |
| ·短期电量预测方法 | 第10-14页 |
| ·短期电量预测发展 | 第14-16页 |
| ·电量预测误差分析 | 第16-17页 |
| ·误差产生原因 | 第16页 |
| ·误差分析 | 第16-17页 |
| ·本文所做的工作 | 第17-18页 |
| 第2章 电量预测基本理论 | 第18-28页 |
| ·引言 | 第18页 |
| ·电量预测的基本概念 | 第18-22页 |
| ·电量预测的基本原理 | 第19-20页 |
| ·电量预测的特点 | 第20页 |
| ·电量预测的现代特征 | 第20-22页 |
| ·电量预测的基本步骤 | 第22页 |
| ·影响电量预测的主要因素 | 第22-24页 |
| ·支持向量机算法 | 第24-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 D-S 证据理论在电量预测历史数据中的应用 | 第28-43页 |
| ·引言 | 第28页 |
| ·D-S 证据理论 | 第28-35页 |
| ·基本定义 | 第28-30页 |
| ·Dempster 合成法则 | 第30-34页 |
| ·对不确定证据的折扣处理 | 第34-35页 |
| ·建立证据融合识别框架 | 第35-39页 |
| ·基于经济因素影响的识别框架 | 第35-37页 |
| ·基于电量趋势相似度的识别框架 | 第37页 |
| ·基于电量形状相似度的识别框架 | 第37页 |
| ·基于温度因素影响的识别框架 | 第37-39页 |
| ·算例仿真 | 第39-42页 |
| ·数据选取 | 第39页 |
| ·样本选择 | 第39页 |
| ·证据融合结果对比 | 第39-42页 |
| ·本章小结 | 第42-43页 |
| 第4章 基于历史数据证据融合的支持向量机电量预测 | 第43-50页 |
| ·引言 | 第43页 |
| ·训练函数 | 第43-44页 |
| ·基于证据融合支持向量机的电量预测 | 第44-46页 |
| ·基于证据融合的 SVM 结构 | 第44-45页 |
| ·证据融合支持向量机算法流程 | 第45-46页 |
| ·实例仿真 | 第46-48页 |
| ·参数选取分析 | 第46-47页 |
| ·数据对比与误差结果分析 | 第47-48页 |
| ·本章小结 | 第48-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第54-55页 |
| 致谢 | 第55-56页 |
| 作者简介 | 第56页 |